在人脸识别领域中,人脸识别算法的识别准确率与训练算法时提供训练样本的数量息息相关。当提供的研究样本极少时,许多传统人脸识别算法无法将识别率保持在理想水准内,因此,如何降低算法对训练数据数量、质量等的依赖性一直是人脸识别乃至人工智能领域的研究热点之一。字典学习算法是人脸识别领域的热门算法种类之一,本文立足于字典学习算法,重点研究在训练数据少、样本数据差异大时,如何提高字典学习算法对不同类人脸(非受限、非配合)的识别准确率,使算法可以同时兼顾分类准确率与算法鲁棒性,并且保持较高的运行效率。本文针对字典学习算法的改进主要集中在以下几个方面:1、传统字典学习方法的研究方向多数致力于不断提高字典对不同类别人脸数据的差异性特征提取,忽略了在同类人脸数据差异极大时,提取差异共性的重要性。为了确保算法能同时提取类别差异性及差异共性,提出混合字典学习算法模型。算法模型可细分为类别特征字典和类内特征字典两部分,借鉴鉴别子字典思想,加入拉普拉斯矩阵约束,将类内相似性强的稀疏系数纳入最终的分类考量中。2、针对数据样本差异性较大的情况,提出融合字典学习算法模型。当训练数据多为正常光照下的人脸正面图片,测试数据多为非正常光照下的人脸遮挡图片、姿态变化等时,提取数据的干扰性十分必要。融合字典学习算法模型在经过扩充数据库、使用LBP特征金字塔进行数据预处理后,通过学习类别特征字典、公共字典和干扰字典,使得算法可在考虑数据干扰性的同时,更好的根据类别差异性、差异共性进行分类。3、为提高算法鲁棒性及更好地利用数据干扰性对分类结果的影响,提出稀疏综合字典学习算法模型。算法模型共分成扩充扰动字典学习、混合特色字典学习、低秩字典字典学习三步骤,通过Fisher准则约束稀疏系数,提高混合特色字典的辨别性,同时将稀疏综合字典和稀疏系数纳入分类考量,通过低秩矩阵分解提取人脸图片中的稀疏分量。本文在AR、CMU-PIE、YALE、YALEB、LFW等人脸数据库中设计多种仿真实验,并与多种字典学习算法进行对比。经实验证明,本文提出的字典模型对人脸数据有更高的识别准确率和算法鲁棒性。